InceptionTime vs. Wavelet -- A comparison for time series classification

本研究使用神经网络对次声数据进行分类，比较了两种不同的方法。一种是基于时间序列数据的直接分类，使用了InceptionTime网络的自定义实现。另一种方法是生成信号小波变换的2D图像，然后使用ResNet实现对其进行分类。选择适当的超参数设置，两种方法均可达到90%以上的分类准确率，其中直接分类方法的准确率达到了95.2%。

本论文旨在使用神经网络对红外声数据进行分类，比较了直接分类时间序列数据和生成信号小波变换的二维图像分类两种方法的效果。

论文中提出了两种不同的方法来对红外声数据进行分类，一种是直接分类时间序列数据，另一种是生成小波变换的二维图像进行分类。通过选择适当的超参数，两种方法都能达到90%以上的分类精度，其中直接分类时间序列数据的方法达到了95.2%的分类精度。

该论文的亮点在于比较了两种不同方法的效果，并且都能够达到较高的分类精度。实验中使用了自定义的InceptionTime网络和ResNet实现。论文中还提供了开源代码和使用的数据集。值得进一步研究的是如何将这些方法应用到其他领域中。

在这个领域中，最近还有一些相关的研究，例如“Classification of Infrasonic Signals Using a Convolutional Neural Network”和“Deep Learning for Infrasound Classification: A Comparative Analysis”。